代理型 AI 在展示環境與實際生產之間的落差，正開始反映在數據裡。Confluent 年度 Data Streaming Report 調查了 14 個國家、共 4,625 位 IT 主管，其中已在生產環境運行代理型 AI 的受訪者有 77% 表示專案因資料相關問題而停滯，61% 更直接宣告放棄。採用是真實的，而且仍在成長，但停滯的比率同樣在升高。

IT 主管點出的阻礙多數與模型無關。技能落差與組織準備不足以 69% 居首，緊接著是對 LLM 可靠性與非確定性的擔憂達 68%，資料基礎設施與品質為 66%，治理、風險與法遵則為 65%。延宕一到五個月相當常見，部分專案更是無限期停擺。約有 32% 的企業目前在生產環境運行代理型 AI，高於一年前的 29%，因此這比較像是採用過程中痛苦的前緣，而非整體的崩盤。

底層反覆浮現的主題是資料，而且這不只是品質上的抱怨。自主代理會依據被給予的任何資料行動，這使得可疑的來源與過時的資訊從報表上的不便，變成一個安全問題：代理會根據沒人驗證過的資料採取真實行動。這正是本週在其他地方浮現的同一道信任落差，從 Google 推出讓代理驗證所連接工具的新標準，到一項基準測試顯示最強的模型仍只能完成約三分之一的專家級科學任務。

這項發現也呼應了更廣泛的研究氛圍。Gartner 曾預測，到 2027年將有超過 40% 的代理型 AI 專案遭到取消，而 Transcend 另一份調查則指出，因資料權限與治理落差而延宕、縮減或放棄 AI 的企業比例高達 81%。這些都不代表代理行不通，而是說真正困難的部分不在展示，而在於把一套自主系統接進雜亂的真實資料與真實問責之中，而眼下能力的到來，始終比安全運行所需的管線與信任要快。